Maestría en análisis de datos

Con nuestra Maestría en Análisis de Datos, aprenderá la teoría fundamental y practicará el modelado matemático y estadístico. Con especial referencia al análisis y visualización de datos.

Con los desarrollos recientes en la tecnología digital, la sociedad ha entrado en la era de los 'macrodatos'. El gobierno del Reino Unido reconoce el big data como una de las ocho grandes tecnologías. Tiene prioridades de financiación e investigación y tendrá un papel fundamental en la reconstrucción y el fortalecimiento de la economía.

La explosión y la abundancia de datos disponibles en una amplia gama de dominios de aplicaciones dan lugar a nuevos desafíos y oportunidades en todas las áreas. Un desafío importante es cómo aprovechar la escala de datos sin precedentes. Y cómo obtener más conocimientos y conocimientos para mejorar la calidad de los productos y servicios ofrecidos.

Diseñamos la Maestría en Análisis de Datos para aquellos que actualmente están empleados. Y para ejecutar junto con la Maestría en Análisis de Datos para el Gobierno. Está disponible para todos los estudiantes y no es exclusivo de ningún sector laboral en particular.

Módulos de estudio

módulos obligatorios

• Métodos de investigación y estudio (10 créditos)
  Este módulo lo equipará con las habilidades necesarias para realizar investigaciones y emplear métodos de estudio efectivos que respaldarán su disertación.
• Fundamentos de ciencia de datos (10 créditos)
  Este módulo presenta una descripción general de los conceptos y herramientas básicos de la ciencia de datos, centrándose en preguntas de investigación de ciencia de datos de la vida real con exposición práctica a la programación R y/o Python como parte integral del curso.
• Fundamentos de encuestas (10 créditos)
  Este módulo proporciona una descripción general de los fundamentos del muestreo y la estimación.
• Programación Estadística (10 créditos)
  Este módulo introduce técnicas de programación básicas en R esenciales para realizar manipulación de datos, procesamiento de datos y análisis de datos de fuentes de datos tradicionales y alternativas a través de sesiones prácticas.
• Introducción a la Investigación por Encuestas (10 créditos)
  Este módulo presenta las etapas involucradas en la planificación y realización de encuestas. Considerará los problemas metodológicos que puedan surgir, incluidos los errores, y discutirá las opciones para minimizar el impacto a través del diseño de la encuesta.
• Modelado de regresión (10 créditos)
  Este módulo presentará el modelo de regresión básico: análisis residual, construcción y selección de modelos, y el manejo de variables categóricas. Además, se introducirá la regresión logística (regresión de respuesta binaria), evaluando el ajuste del modelo y la construcción y selección del modelo. Finalmente, se introducirán modelos de regresión múltiple y regresión multivariada.
• Modelado Estadístico Avanzado (10 créditos)
  Este módulo presenta una amplia clase de modelos estadísticos lineales y no lineales y los principios de inferencia de probabilidad para una variedad de problemas de análisis de datos comúnmente encontrados en una variedad de disciplinas.
• Análisis de series temporales (10 créditos)
  Este módulo le presenta las series de tiempo y los métodos de pronóstico.
• Introducción al aprendizaje automático (10 créditos)
  Este módulo le proporciona los principios del aprendizaje informático y sus aplicaciones. Cubre los fundamentos de las metodologías de aprendizaje automático, las implementaciones y los métodos de análisis apropiados para las aplicaciones de aprendizaje automático.
• Aprendizaje automático avanzado (10 créditos)
  Este módulo se basa en el módulo Introducción al aprendizaje automático. Se enfoca en Habilidades de Programación Avanzada y Computación Neural como una extensión del aprendizaje automático, procesamiento de lenguaje natural y multimedia. Considera algoritmos de aprendizaje automático supervisados y no supervisados (bosques aleatorios, redes neuronales, agrupación, regresión de registros y máquinas de vectores de soporte) junto con imágenes más avanzadas y procesamiento de datos multimedia.
• Introducción a los Sistemas Distribuidos (10 créditos)
  Este módulo proporciona una descripción general del procesamiento de datos a gran escala y el procesamiento en paralelo. Presenta Hadoop y Spark y el uso de paradigmas de procesamiento paralelo.
• Visualización de datos (10 créditos)
  Este módulo se basa en las visualizaciones de datos básicos introducidos en los módulos obligatorios. Cubrirá el diseño de la información, el diseño de la interacción y la participación del usuario; herramientas de última generación para crear visualizaciones útiles para diferentes tipos de conjuntos de datos y escenarios de aplicación.

Proyecto final

• Disertación en Análisis de Datos (60 créditos)
  Los estudiantes de la maestría también deben aprobar una disertación completa sobre un tema centrado en la ciencia de datos relacionado con su programa de estudio.
  El contenido exacto de cada disertación variará de acuerdo con el título, pero implicará completar una revisión de la literatura e investigación del tema en un nivel avanzado, la preparación de una propuesta de proyecto, la aplicación de técnicas analíticas y enfoques académicos para la generación de alternativas de solución y síntesis de una solución al problema complejo planteado, junto con la presentación de la solución en forma oral y escrita.

Aprendizaje y enseñanza

Nuestro curso tiene una estrategia de enseñanza y aprendizaje de apoyo basada en la participación activa de los estudiantes.

Utilizamos una variedad de métodos de enseñanza y evaluación, tales como:

• informes de evaluación crítica
• informes de análisis de datos
• análisis de datos usando aplicaciones de software
• presentaciones y estudios de casos.

Los métodos de aprendizaje incluyen:

• aprendizaje combinado
• conferencias formales
• prácticas de resolución de problemas
• aprendizaje independiente guiado
• uso del entorno de aprendizaje virtual basado en computadora 'Moodle'
• investigación independiente
• análisis de datos de software
• experimentos

Este programa permite a los graduados asumir una amplia gama de roles en ciencia de datos. Las carreras comunes en esta área son las siguientes:

• ingenieros de datos
• analistas de negocios
• administradores de datos
• profesionales del aprendizaje automático
• científicos de datos